1.Array Schema轉換到Sting Schema ——array_join()方法
使用案例：
原始數據如下圖所示：
df.show()
df1 = df.select(array_join(df3.user_array, ",").alias("joined"), 'umid', 'user_array')
df1.show()
2.Sting Schema 轉換成 Array Schema
其中，主要有以下三種方式：
2.1 split()方法
2.2 Array()方法
2.3 自定義udf函數（靈活，但是效率低）
案例：
原始數據如上圖所示，
df2 = df1.withColumn('array1', array('joined')).withColumn('array2', split(col('joined'), ','))
df2.show()
3.針對Array[Array]Schema，變換成Array[String]的方法——flatten()方法
pyspark中flatten()方法，實現的功能類似於下面的案例：
[1,3,[4,5], [7,9.9]] --->(flatten)----->[1,3,4,5,7,9,9]
4.字符串聚合操作——collect_set \ collect_list
這兩個都是針對String類型的聚合操作，類似於數值類型的sum、avg等，使用案例為
df = spark.createDataFrame([
("a", "code1", "name1"),
("a", "code1", "name1"),
("a", "code2", "name2"),
], ["id", "code", "name"])
df.groupBy('id').agg(collect_set('code').alias('collect_set_test'), collect_list('name').alias('collect_list_test')
備注：
1）collect_set和collect_list的區別是：collect_set實現去重的功能。
2）針對Array Schema的DataFrame直接落地es中，需要額外注意（將在下節中，spark數據庫連接中進行特殊說明）
